写在前面：
这篇文章的作者参加了BACH2018的竞赛，
在任务一51个队伍中取得第21名，测试集准确率0.76（冠军0.87），
在任务二13个队伍中取得第9名，测试集准确率0.46（冠军0.69）。
个人认为方法过于繁杂，一定有更简单效果更好的方法。
但也是可以借鉴的（尤其是里面有一些和常规方法背道而驰的做法，或许可以帮助我们另辟蹊径）。
阅读笔记：
Ensembling Neural Networks for Digital Pathology Images Classification and Segmentation
一、难点：
1、数字病理图片过大
2、有标签训练数据过少
二、数据集
BACH2018 这个数据集在之前的笔记中提到过。分为两个任务。
任务一：分类。400张2018*1536RGB图像，四类每类100张训练数据。
任务二：分割。WSI（20张，仅10张有标注）40000*60000RGB
三、预处理
作者认为，病理图片的分类主要关注细胞的形态变化，因而采取了减去该图片该通道均值的方法进行归一化（作者认为针对patch归一化好于针对全图）。
四、网络结构
分类：
ResNet34：去掉了fc层前的pooling，换成了ASPP
DenseNet169和201也做类似处理
裁剪500*500（stride=100）每张图片可裁剪patch176张（每个图片会获得176*4个概率值）
Adam；lr初始0.01，每20epoch减半；batch_size=10（ 模型不同而不同）；有其他数据集的预训练
作者共训练了29个模型，也就意味着每类每个模型有176维的数据，根据这些数据设计特征
如 每一类的min max mean等；或有多少patch的最大概率是属于同一类的……【可以考虑采用这种特征的模式，应该会比简单的vote好一些】
作者采用XGBoost对特征分类，用贪婪算法移除不必要的模型（模型由29个缩减为12个）
分割：
同样采用减均值的归一化方法等预处理手段，网络训练策略基本与分类相同。
网络结构T-net类似于U-net，但是比U-net更浅，在跨层连接时增加了卷积层
作者采用了三种方法训练网络。
1、二分类的分割。分为正常与不正常（实际上不正常有三类）
2、边缘加权
3、直接多分类分割
作者采用原图的40倍下采样进行分割
（真果敢啊，这样做大区域是不会错，但是肯定会漏检，如果精度很低是一种提升办法，如果对精度要求越来越高这肯定不太行）
作者发现生成的预测结果过了阈值之后有很多空洞，于是将原图进行了高斯模糊来减少空洞
（本来就下采样了，还要模糊？！不过作者说空洞少了，那就是少了吧……总觉得怪怪的）
作者对最后的结果进行了形态学闭运算
（这样做确实能填补空洞，但是噪声呢。。。噪点放大了真的好么，难道通常不是都恨不得开运算么……）
作者为了提升精度，采用了Normal vs All 的二分类分割模式，然后再对非正常区域二分类分成iv和b
（直接舍弃了一类，作者说这样虽然简单粗暴，但是能够显著提升精度。。。）
细节不赘述了，这篇文章真的是让人印象深刻，果敢……没准胆大有奇迹呢，说不定常规思路没人家做的好呢……反正任务二参赛的队伍做的都不算太好。
不过说实话名次不算高，尤其第一个任务，过程繁琐（主要是指模型训练了一大堆）但收效不佳，坐等更好的方法~